三、点云获取方式：主流传感器的原理与特点

点云数据的质量与获取方式直接决定了后续滤波、配准、分割与建模算法的复杂度与上限。不同传感器基于不同的物理测量原理，在测量范围、精度、密度、实时性、成本与适用场景上差异显著。本章将系统拆解激光雷达（LiDAR）、结构光、ToF相机与多视角立体视觉（MVS）四类主流点云获取方案，从物理原理出发，结合工程实战中的选型判断与数据处理要点，帮助读者建立“传感器特性—点云特征—滤波策略”的联动认知。

3.1 激光雷达（LiDAR）：主动测距的精度标杆

核心原理

激光雷达通过发射激光束并接收目标反射信号来测量距离。主流实现方式包括：

• 脉冲飞行时间法（TOF）：直接测量激光脉冲发射与接收的时间差 Δt，距离 d = c·Δt/2。适用于中远距离（百米级），是车载主雷达的主流方案。
• 调频连续波（FMCW）：通过发射频率线性调制的连续波，利用回波与本地信号的频率差解算距离与速度。抗干扰能力强，且可直接测量多普勒速度，但成本较高。
• 三角测距法：激光器与探测器呈固定基线，根据光斑在探测器上的位置偏移计算距离。近距离精度极高（微米级），但量程有限（通常 < 10m）。

激光雷达输出的点云通常包含三维坐标 (x, y, z) 以及反射强度值 (intensity)，部分型号还提供回波次数、环境噪声等级等附加通道。

工程判断与选型要点

案例拆解：自动驾驶路测中的LiDAR点云预处理

背景与约束：某园区自动驾驶项目采用64线机械式LiDAR，部署于车顶，扫描频率10Hz。原始点云每帧约12万个点，但存在以下问题：① 地面反射产生的多路径噪声；② 远处低反射率物体（如黑色车辆）点云稀疏且跳动；③ 车辆自身振动导致点云出现周期性畸变。

处理流程：

1. 直通滤波：根据车辆尺寸与感知范围，裁剪 x∈[-50, 50]m, y∈[-50, 50]m, z∈[-2, 4]m 区域，去除无关远点。
2. 地面分割：使用RANSAC平面拟合提取地面点，剩余点云用于障碍物检测。
3. 统计离群点移除：对每个点计算其k近邻（k=20）的平均距离，若超过全局均值 + 1.5σ，则判定为离群点并剔除。
4. 运动畸变补偿：利用IMU数据对一帧内不同时刻采集的点进行坐标变换，消除车辆运动造成的点云“拖尾”。

结果与复盘：处理后点云信噪比提升约40%，下游检测算法的误检率下降25%。关键经验是：LiDAR滤波必须结合传感器安装位置与运动状态，静态滤波参数在动态场景中会失效。

3.2 结构光：近距离高精度重建利器

核心原理

结构光系统由投影仪与相机组成，投影仪向物体表面投射编码光栅（如正弦条纹、格雷码、散斑），相机同步采集被物体表面调制后的变形图案。通过解调图案的相位或编码信息，结合投影仪-相机的标定参数，利用三角测量原理计算每个像素对应的三维坐标。

结构光的核心优势在于空间编码唯一性——每个投影图案的局部特征在空间中具有唯一对应关系，因此无需逐点扫描即可实现高密度重建。

点云特征与滤波挑战

• 高密度：单帧可输出数百万点，但数据冗余大，需降采样。
• 材质敏感：黑色吸光物体、镜面反射物体、透明物体均会导致解码失败，产生空洞或飞点。
• 环境光敏感：强环境光（如阳光直射）会淹没投影图案，导致信噪比急剧下降。

实战场景：工业零件尺寸测量

某3C产线使用结构光相机对手机中框进行在线检测，测量精度要求±0.05mm。实际点云中，中框倒角区域因反光产生大量无效点，且边缘存在系统性偏移。解决方案：① 采用多频外差相位展开算法提高解码鲁棒性；② 对反光区域使用偏振片抑制镜面反射；③ 滤波阶段使用基于法向一致性的点云平滑，保留锐利边缘的同时去除噪声。

3.3 ToF相机：实时性与小型化的平衡

核心原理

ToF相机向场景发射调制光（通常是近红外光），传感器每个像素测量发射光与反射光之间的相位延迟或直接飞行时间，从而获得深度图。与LiDAR逐点扫描不同，ToF相机是面阵式测量，单次曝光即可获得整幅深度图像。

ToF的关键参数包括：

• 调制频率：决定最大无模糊距离（c/(2f)），如 20MHz 对应 7.5m。
• 积分时间：影响信噪比与运动模糊，需权衡。
• 多径干扰：光线在场景中多次反射后进入传感器，导致深度测量值偏大。

点云噪声特性与滤波策略

3.4 多视角立体视觉（MVS）：低成本高密度重建方案

核心原理

MVS通过从多个视角拍摄的二维图像中提取特征点（如SIFT、ORB），进行特征匹配，然后利用多视图几何关系（对极约束、三角化）恢复三维点坐标。其核心流程包括：

1. 相机标定：获取内参（焦距、主点、畸变）与外参（位姿）。
2. 稀疏重建（SfM）：估计相机位姿与稀疏点云。
3. 稠密重建（MVS）：对每个像素或超像素进行深度估计与融合。

点云质量的关键影响因素

• 纹理丰富度：弱纹理区域（白墙、天空）无法匹配，产生空洞。
• 光照一致性：不同视角光照差异大会导致匹配失败。
• 基线距离：基线过短导致深度精度低，过长则匹配困难。

案例拆解：古建筑三维重建中的MVS点云处理

项目背景：某文物保护团队需对一座清代戏台进行数字化存档，使用单反相机环绕拍摄约800张照片，通过COLMAP生成稠密点云。初始点云包含约5000万点，但存在以下问题：① 戏台内部暗光区域点云稀疏且噪声大；② 屋顶瓦片反光导致匹配错误，产生漂浮点；③ 地面植被随风摆动，产生大量不一致点。

处理流程：

1. 基于深度图的滤波：COLMAP输出的每个像素深度图，通过左右一致性检查（L-R Check）剔除匹配不一致的像素。
2. 统计滤波：对融合后的点云使用半径离群点移除（半径=0.05m，邻域点数≥10）。
3. 法向一致性滤波：计算每个点的法向，若法向与视线方向夹角过大（>75°），判定为边缘异常点。
4. 网格化与平滑：使用Poisson重建生成网格，再对网格进行拉普拉斯平滑，最后重新采样为均匀点云。

结果：最终点云规模控制在800万点，噪声点占比从初始的15%降至2%以下，满足3D打印与虚拟展示需求。

3.5 传感器选型对比与滤波策略联动

3.6 常见误区与总结复盘